論文の概要: Reactive Soft Prototype Computing for Concept Drift Streams

• arxiv url: http://arxiv.org/abs/2007.05432v1
• Date: Fri, 10 Jul 2020 15:07:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 21:15:49.017560
• Title: Reactive Soft Prototype Computing for Concept Drift Streams
• Title（参考訳）: コンセプトドリフトストリームのためのリアクティブソフトプロトタイプ計算
• Authors: Christoph Raab, Moritz Heusinger, Frank-Michael Schleif
• Abstract要約: 情報システムにおけるエージェント間のリアルタイム通信は,10世紀初頭から急速に増加している。 リアルタイムにこの情報のストリームを学習し、予測するためには、分析アルゴリズムが必要である。 最近の研究はこの分野において重要な研究であるが、主にモデル適応時の安定した性能が欠如している。
• 参考スコア（独自算出の注目度）: 1.3750624267664155
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The amount of real-time communication between agents in an information system has increased rapidly since the beginning of the decade. This is because the use of these systems, e. g. social media, has become commonplace in today's society. This requires analytical algorithms to learn and predict this stream of information in real-time. The nature of these systems is non-static and can be explained, among other things, by the fast pace of trends. This creates an environment in which algorithms must recognize changes and adapt. Recent work shows vital research in the field, but mainly lack stable performance during model adaptation. In this work, a concept drift detection strategy followed by a prototype-based adaptation strategy is proposed. Validated through experimental results on a variety of typical non-static data, our solution provides stable and quick adjustments in times of change.
• Abstract（参考訳）: 情報システムにおけるエージェント間のリアルタイム通信量は,10年初め以降急速に増加している。 これは、これらのシステムを使用するためです。 g. 現代社会ではソーシャルメディアが一般的になっている。 分析アルゴリズムは、この情報のストリームをリアルタイムで学習し、予測する必要がある。 これらのシステムの性質は非静的であり、特にトレンドの早さによって説明できる。 これにより、アルゴリズムが変化を認識し、適応しなければならない環境が生成される。 最近の研究はこの分野において重要な研究であるが、主にモデル適応時の安定した性能を欠いている。 本研究は,プロトタイプに基づく適応戦略に続き,コンセプトドリフト検出戦略を提案する。 様々な非静的なデータで実験的結果が検証されたこのソリューションは、変更時の安定かつ迅速な調整を提供する。

関連論文リスト

• Liquid Neural Network-based Adaptive Learning vs. Incremental Learning for Link Load Prediction amid Concept Drift due to Network Failures [37.66676003679306]
  概念の漂流に適応することは、機械学習において難しい課題である。 通信ネットワークでは、障害イベントの後に交通予報を行う際にこのような問題が生じる。 本稿では,適応学習アルゴリズム,すなわち,データパターンの急激な変化を,再学習を必要とせずに自己適応できる手法を提案する。
  論文  参考訳（メタデータ） (2024-04-08T08:47:46Z)
• Advances on Concept Drift Detection in Regression Tasks using Social Networks Theory [5.25961378238154]
  スケールフリーネットワークレグレシタ (SFNR) は、ソーシャルネットワーク理論を用いた動的アンサンブルに基づく回帰手法である。 概念のドリフトを検出するため、SFNRはAdaptive Window (ADWIN)アルゴリズムを使用している。 その結果,特にコンセプトドリフト時の精度が向上した。
  論文  参考訳（メタデータ） (2023-04-19T16:13:28Z)
• Critical Sampling for Robust Evolution Operator Learning of Unknown Dynamical Systems [28.984857206563447]
  未知の力学系を考えると、その統治法則を効果的に学習し、将来の進化行動の正確な予測に要するサンプルの最小数は何か。 システム進化の正確な学習を実現するために,臨界サンプルを適応的に発見する。 実験の結果,提案手法は,未知の力学系の進化挙動の効率的な学習と正確な予測に要するサンプル数を,最大で数百倍に削減できることがわかった。
  論文  参考訳（メタデータ） (2023-04-15T06:33:03Z)
• Tracking changes using Kullback-Leibler divergence for the continual learning [2.0305676256390934]
  本稿では,多次元データストリームの確率分布の変化をモニタリングする新しい手法を提案する。 変化の速さの尺度として、人気のあるKulback-Leiblerの発散を分析する。 我々は,この指標を用いて,概念の漂流の発生を予測し,その性質を理解する方法を示す。
  論文  参考訳（メタデータ） (2022-10-10T17:30:41Z)
• Real-time Object Detection for Streaming Perception [84.2559631820007]
  ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。 ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。 提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
  論文  参考訳（メタデータ） (2022-03-23T11:33:27Z)
• Learning Robust Policy against Disturbance in Transition Dynamics via State-Conservative Policy Optimization [63.75188254377202]
  深層強化学習アルゴリズムは、ソースとターゲット環境の相違により、現実世界のタスクでは不十分な処理を行うことができる。 本研究では,前もって乱れをモデル化せずにロバストなポリシーを学習するための,モデルフリーなアクター批判アルゴリズムを提案する。 いくつかのロボット制御タスクの実験では、SCPOは遷移力学の乱れに対する堅牢なポリシーを学習している。
  論文  参考訳（メタデータ） (2021-12-20T13:13:05Z)
• Learning from Heterogeneous Data Based on Social Interactions over Graphs [58.34060409467834]
  本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
  論文  参考訳（メタデータ） (2021-12-17T12:47:18Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Mitigating Temporal-Drift: A Simple Approach to Keep NER Models Crisp [16.960138447997007]
  名前付きエンティティ認識のためのニューラルモデルのパフォーマンスは時間とともに劣化し、停滞する。 我々は,ツイートの傾向を直感的に測定する手法を提案し,この指標を用いて,学習に使用する最も有意義なインスタンスを選択する。 提案手法は,代替データよりも少ないトレーニングデータで予測精度が向上し,魅力的な実用的なソリューションとなることを示す。
  論文  参考訳（メタデータ） (2021-04-20T03:35:25Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。